伽马结构
深度学习手册 A FIELD MANUAL FOR US INDEX GEX

先建立地图，再学习地形

大多数 GEX 内容从“call wall 是压力、put wall 是支撑”开始，然后给你一张画满横线的图。 这相当于把一本字典的最后一页撕下来当语言课。真正需要先建立的，是三个层次： 谁在对冲、对冲的数学是什么、这些数字如何在不同的波动率环境里改变含义。 这三层不清楚，线越多，误读越快。

这本书的四个层次

三种读法，按你的时间选

交互元素怎么用

文中所有图表都可以悬停查看数值；带 可交互 标记的面板支持切换情景。 每章底部有“标记完成”，进度保存在你自己的浏览器里（localStorage），不上传。 右侧目录会随滚动高亮；按 / 可直接搜索章节，按 Esc 关闭弹窗。

市场机器：谁在对冲，
为什么必须对冲

把期权市场想成一家巨大的保险公司。客户买入“上涨赔付”或“下跌赔付”，做市商卖出保单， 然后必须在现货或期货市场里不断调整对冲，才能让自己不靠方向赌博赚钱。 GEX 描述的，就是这张保单账本对价格变化的敏感度，以及做市商为了维持中性被迫交易的方向。

1.1 四个参与者，四种约束

关键不是“谁坏”，而是“谁的约束最硬”。做市商的约束是风险中性；当市场逼着他们交易时，他们不是在表达观点，而是在执行风控。

1.2 一张期权，一份条件义务

一张看涨期权给买方“以行权价买入”的权利。对做市商而言，卖出这张 call 意味着： 价格越高，赔付越大；为了对冲，必须持有现货。价格越涨，call 的 delta 越大，做市商需要持有的现货越多—— 这就是短 gamma 的正反馈：上涨迫使买入，买入推动上涨。

反过来，如果做市商买入了这张 call（例如客户大量卖出），价格上涨时它的 delta 变大， 为了保持中性必须卖出现货。这就是长 gamma 的负反馈：上涨被卖出压制，下跌被买入托住。

1.3 用真实数字走一遍对冲

以 2026-10-16 的 SPY 快照为例：现价 762.77，一张 763 call 的 gamma 是 0.05137（每 1 美元标的变动，delta 变化 0.05137）， 未平仓 199 张。假设做市商净卖出这 199 张。

单张合约的 7,800 股不算大。但 SPY 全链有上百个行权价、多个到期日，且越接近到期， 平值附近的 gamma 越大。把每一档的“delta 变化 × 合约数 × 100”加起来， 就是做市商在 1% 移动中被迫交易的股票总量。这个总量，才是 GEX。

1.4 GEX 的公式与单位

最常见的定义是“标的价格变动 1% 时，做市商组合的美元 gamma 敞口”：

如果只想要“需要交易多少股”，可以去掉一个 S： Δshares = Σ s_i × Γ_i × OI_i × 100 × S × 0.01。 很多数据商把结果除以 10⁹，标成 “$B per 1%”；也有人用“每 1 点”或“每 1 个标准差”， 所以看到数字先看单位，不要拿两个不同口径的 GEX 直接比大小。

1.5 符号约定：同一个 put wall，为什么有人说支撑、有人说加速

这是 GEX 学习里最重要、也最容易被跳过的一节。期权的 gamma 永远是正的；GEX 的符号来自 做市商站哪边。而“做市商站哪边”至少有三种常见假设：

所以，“put wall 是支撑”并不是从 gamma 数学里自动推出的结论。它更像一个条件性经验： 当 put wall 附近有大量做市商多头 gamma（例如客户卖出 put、做市商买入 put），下跌会被对冲买盘托住； 当做市商是空头 gamma（客户买入 put），下跌反而会被对冲卖盘加速。 同一个价位，不同的库存方向，行为可以完全相反。

1.6 四个分辨率：不要只看一个总数

1.7 为什么同一标的有不同的 GEX 数字

• 到期日集合不同：只算 0DTE、只算最近周、还是全到期，结果可以差数倍。0DTE 的 gamma 集中在平值附近，全到期的 gamma 更分散。
• 标的与换算不同：SPY 的 GEX 不能直接和 SPX 比；QQQ 与 NQ 之间有换算比和期货基差。gex-levels 在 NQ 上会用 QQQ 期权做代理，并给出 conversion_ratio。
• IV 来源不同：用收盘 IV、盘中 IV、还是模型平滑后的 IV，会改变 gamma，尤其是在平值附近。
• Dealer sign 不同：见上一节。这是最大的分歧源。
• 乘数与归一化不同：100 倍合约乘数、除以 10⁹、按 1% 还是 1 点，都会改变量级。
• 快照时间不同：GEX 是活的。开盘、午盘、收盘前，同一个行权价的 gamma 可以差很多。

五个希腊字母：
账本的五个维度

GEX 只是第一层。真正让价格动起来的，是 delta 的变化；而 delta 会因三件事变化： 价格动（gamma）、时间过（charm）、波动率变（vanna）。vega 则描述整个账本对波动率水平的敏感度。 把这五个维度分开看，你才不会把“波动率下降带来的买盘”误读成“基本面转多”。

2.1 一张表看清五个维度

2.2 Delta：方向库存，不是方向观点

做市商卖出 call 后是负 delta，需要买入股票对冲；买入 call 后是正 delta，需要卖出股票对冲。 把全链的 delta 加总，就得到 DEX。DEX 告诉你做市商“现在已经持有多少方向性库存”， 但它不告诉你他们下一步会买还是卖——除非你知道这个库存会如何变化。

一个常见的误读是：“DEX 为正，所以做市商看涨。”错。DEX 为正只说明他们为了对冲而持有多头股票； 如果 gamma 是负的，价格下跌会让他们卖股票，DEX 会迅速下降。方向观点在客户手里，做市商只有库存。

2.3 Gamma：对冲流的油门

Gamma 衡量 delta 对价格的二阶敏感度。它是 GEX 的核心，因为它决定了对冲流的方向和大小。 平值期权的 gamma 最大，因为价格在行权价附近时，期权从“虚值”变成“实值”的概率变化最快； 越接近到期，这个效应越剧烈。

从公式可以直接读出三件事：① S 越小、σ√T 越小，gamma 越大； ② 平值时 φ(d1) 最大，所以平值 gamma 最大； ③ T→0 时，平值 gamma 趋向无穷（现实中受行权价离散、流动性和对冲频率限制）。 这就是为什么 0DTE 的 GEX 会在到期日当天变得极其集中、也极其不稳定。

一个数值直觉

数值为教学近似，用 Black-Scholes 估算；真实链的 IV 偏斜会让结果不同。重点看数量级，不要背具体数字。

2.4 Vega：波动率的价格，不是方向的价格

Vega 是期权价对 IV 的敏感度。平值、长到期的 vega 最大；0DTE 的 vega 几乎为零。 做市商的 VEX 告诉你：当 IV 整体变动 1 个点时，他们的账本价值变化多少， 以及哪些行权价是“波动率敏感点”（vega walls）。

Vega 和 gamma 经常被混为一谈。记住：gamma 是对“实际价格移动”的敏感度，vega 是对“预期波动率”的敏感度。 一个市场可以实际波动很小、但 IV 很高（事件前）；也可以实际波动很大、但 IV 很低（已经跌完）。 这两种状态对做市商的对冲行为完全不同。

2.5 Vanna：IV 与价格的暗管

Vanna 衡量 delta 对 IV 的敏感度，也等于 vega 对价格的敏感度。它的经济含义是： 当 IV 变化时，做市商的 delta 会变，因此必须调整股票对冲。 这条管道在“IV 快速回落”时最明显：如果做市商大量持有需要正 delta 对冲的仓位， IV 下降会让这些 delta 缩小，他们就必须买入股票来重新对冲——形成一种没有新闻的“vanna 买盘”。

Vanna 的符号随行权价与到期结构变化，不同数据商的净 vanna 口径也可能不同。 不要背“vanna 为正就是利多”；读 net vanna、vanna walls 和 vanna_charm_flips， 再结合 IV 的方向，才有意义。

2.6 Charm：时间的机械潮汐

Charm 是 delta 随时间的衰减。越接近到期，平值期权的 delta 对时间越敏感。 每天收盘前，大量 0DTE / 近到期合约的 delta 会向 0 或 1 迁移，做市商必须跟着调整对冲。 这就是“charm drift”——一种缓慢、机械、与新闻无关的尾盘漂移。

Charm 的方向同样取决于账本的构成：如果做市商持有大量虚值 call，时间流逝会让这些 call 的 delta 趋向 0， 他们的空头对冲会变得过多，于是买回股票；如果持有大量实值 call，delta 趋向 1，他们需要卖出更多股票。 所以不要笼统地说“charm 尾盘买”或“charm 尾盘卖”，要看行权价分布 + 做市商方向。

2.7 二阶希腊字母：更细的纹理

二阶希腊字母不是日常交易的必需，但它们解释了“为什么 IV 一变，原本的 gamma 墙好像移动了”。这是曲面与 GEX 的接口。

2.8 不同行权价 / 到期日的希腊字母分布

读懂一张 GEX 图：
从曲线到价位

一张 GEX 图上有十几条线，但真正需要先回答的只有四个问题： 现价在哪？flip 在哪？gamma 的质量在哪？哪里是空的？ 其余所有标签——call wall、put wall、max pain、focus、battle zone——都是这四个问题的衍生。 这一章用一张真实的 QQQ 快照，把读图顺序固定下来。

3.1 六个步骤，固定读图顺序

3.2 每个标签到底在说什么

3.3 墙、位、区：三种不同的东西

3.4 曲线形状的四种基本读法

3.5 数据状态：Locked / Stale / Unavailable

GEX 数据不是“永远最新”的。gex-levels 的做法值得借鉴：它把状态明确标成 available（可用）、locked（开盘锁定）、frozen（用户暂停）、 stale（超过刷新时限）、unavailable（输入缺失）。 很多图表的问题不是算错，而是拿几小时前的快照当实时数据。

3.6 手工复算：给你一张链，怎么算

3.7 按到期日看：地形图与 Gamma 悬崖

前面看的都是“所有到期加总”的二维曲线。真实结构是三维的：行权价 × 到期日 × GEX。 把每个到期日的 gamma 按行权价铺开，就是 GEX 地形图（topography）。 它回答一个二维图回答不了的问题：这堵墙是今天到期，还是下个月到期？

地形图的读法：近端亮说明“今天的 gamma 在这里”，日内路径由它主导； 远端亮说明“swing 的 gamma 在这里”，日内可能感觉不到，但一旦价格接近，会有更持续的约束； 两端都亮说明短端和长端在同一行权价汇合，墙更“厚”； 中间空说明这个到期区间没有结构，价格更容易滑过。

最后是“Gamma 悬崖”（expiration cliff）：到期日收盘后，当天到期的 gamma 全部消失。 如果市场原本靠这些 gamma 阻尼，第二天可能突然变得更“薄”、更容易趋势； 如果原本是负 gamma 加速，第二天可能突然“变静”。这不是新闻驱动的，是结构本身的重置。 所以，每天开盘前都要重新读图，而不是沿用昨天的墙。

GEX 形态图谱：
十种结构，十种路径

GEX 形态不是“图形识别”，而是三种变量的联合分布： 符号（正/负 gamma）、位置（现价在 flip 的哪边、墙在前方还是后方）、 集中度（高而窄、低而宽、双峰、空洞）。再加上时间（0DTE/周/月）和波动率（高/低、正/倒挂）， 就得到下面十种可复用的结构。

4.1 十种形态速查

4.2 形态的三种“变形”

4.3 30 秒识别流程

市场状态机：
Gamma × Delta × IV × 期限

单看 GEX 符号只能得到二分法：正或负。但真实市场至少有四个维度： gamma 符号 × delta 方向 × IV 水平/趋势 × 期限结构。 四维交叉后，你会得到一张“状态机”：每个状态对应一种更可能的路径、一种更合适的仓位、以及一组明确的失效条件。

5.1 第一层：Gamma × Delta 四象限

5.2 第二层：把 IV 和期限结构加进来

同样是“负γ · 负Δ”，IV 低且期限正常，可能只是一次普通趋势日； IV 高且期限倒挂，则是“市场在为尾部定价”，任何下跌都可能被对冲流放大。 反过来，正γ + 高 IV 也不一定是好事：事件前的 pin 可能很脆弱，IV crush 会改变 vanna 流。

“正挂/倒挂”指 VIX 或 ATM IV 期限结构：近月低于远月为正挂（contango），近月高于远月为倒挂（backwardation）。表中是倾向，不是规则。

5.3 第三层：日内时间结构

5.4 到期周期与“Gamma 悬崖”

5.5 状态转换：什么信号说明“换剧本了”

隐含波动率：
价格、溢价与恐惧的刻度

IV 不是“市场预期会涨多少”，而是“市场为未来一段时间的波动定了一个什么价”。 它既是期权价格的核心输入，也是 GEX 的输入之一。更重要的是，IV 的水平、趋势、期限结构和偏斜 四个维度，合起来才是“市场在为哪种风险定价”。

6.1 IV 到底是什么

在 Black-Scholes 框架里，IV 是让模型价格等于市场价格的波动率参数。它把“期权价格”翻译成 “年化的、对数收益的标准差”。如果 ATM IV 是 20%，意味着市场大致在为未来一年 20% 的年化波动定价； 在正态假设下，约 68% 的结果会落在 ±20% 的区间内（粗略地说）。

这两个公式是理解 IV 的钥匙：IV 是年化的，但预期波动随时限的平方根缩放。 30 天的 20% IV，1 天的预期波动不是 20%，而是 20% × √(1/365) ≈ 1.05%。 很多人把“IV 20%”直接当成“一天波动 20%”，这是最基础的误读。

6.2 IV Rank 与 IV Percentile：别混用

IVR 和 IVP 经常给出不同答案：IVR 高但 IVP 低，说明当前 IV 离一年高点近、但历史上大多数时候更低； 这通常意味着“区间被一次事件拉宽了”。两者一起看，比只看一个更可靠。

6.3 IV vs RV：波动率风险溢价

IV 是“保险的报价”，RV 是“实际发生的赔付”。长期看，IV 通常高于 RV——这就是 波动率风险溢价（VRP），也是卖期权长期能赚钱的结构性原因。 但 VRP 不是免费午餐：它在危机时会剧烈反转，卖波动率的尾部风险远大于收到的权利金。

实践建议：用与 IV 期限匹配的窗口（例如 30D IV 对 21 个交易日的 RV），并同时看 close-to-close 与 Yang-Zhang，避免单一估计量的偏差。

6.4 期限结构：比 IV 绝对值更重要的形状

把不同到期日的 ATM IV 连起来，就是期限结构。它回答的是“市场认为风险是现在还是以后”。 同样是 IV 25%，正挂和倒挂是两种完全不同的世界。

6.5 波动率的波动率：VVIX、MOVE、SKEW

6.6 IV Crush：事件买方的头号杀手

事件前 IV 抬升，事件后 IV 骤降。即使方向做对，期权也可能因为 vega 损失而亏钱。 一个简单的算术：买入事件跨式，成本对应 8% 的隐含移动；事件后实际只移动 3%，即使你猜对了方向， 跨式的价值也会因为 IV crush 和时间价值蒸发而大幅缩水。

6.7 隐含相关性与 Dispersion

指数波动率不是成分股波动率的简单平均，它还取决于相关性。 当相关性上升，分散化失效，指数波动率上升；当相关性下降，个股各走各的，指数波动率下降， 这就产生了“dispersion 交易”：卖指数波动率、买成分股波动率，赚相关性下降的钱。

GEX 交易者不需要做 dispersion，但需要知道：指数 GEX 的“墙”是由成分股与指数期权共同形成的。 当成分股相关性低、指数期权流动性集中时，指数的 GEX 可能比成分股总和更“薄”，墙的约束力也更弱。

6.8 IV 与 GEX 的交叉矩阵

6.9 读 IV 的五个问题

波动率曲面：
偏斜、期限与曲面动力学

把每个行权价、每个到期日的 IV 画在一起，就是波动率曲面。 它比一条 ATM IV 曲线丰富得多：偏斜告诉你市场为哪一边的尾部买保险， 期限告诉你风险在现在还是以后，曲面的运动方式则决定 GEX 的 vanna 与 charm 会不会被触发。

7.1 从微笑到曲面

Black-Scholes 假设波动率是常数，但真实市场里，同一到期日不同行权价的 IV 不一样，形成“微笑”或“偏斜”； 不同到期日的微笑又不一样，叠起来就是曲面。曲面的存在，说明市场并不是用单一波动率给所有期权定价， 而是在为不同的“赔付场景”定不同的价。

7.2 偏斜：市场为哪一边买保险

股票指数期权通常呈现“put skew”：虚值 put 的 IV 高于虚值 call。原因包括 crash fear、杠杆效应、 波动率与价格负相关、以及保险需求。偏斜越陡，说明市场越愿意为下行尾部付溢价。

RR 衡量“偏斜的方向”，BF 衡量“偏斜的凸性/曲率”。RR 变负，说明 put 相对 call 更贵，市场在买下行保护； BF 变大，说明两翼都比平值贵，市场在为“大幅移动”定价，而不只是方向。

7.3 期限结构 × 偏斜：不要分开看

短期限的偏斜通常更陡，因为短期尾部事件的影响更集中；长期限的偏斜更平，因为时间会稀释单次冲击。 当短端偏斜突然变陡、同时期限倒挂，通常意味着市场在为“近期尾部”定价，这比单看 VIX 更敏感。

7.4 曲面动力学：Sticky Strike vs Sticky Delta

当现货移动时，曲面不是静止的。它怎么跟着动，决定了 GEX 的 vanna 效应。 两种极端假设：

真实市场介于两者之间。文献里用 SSRN（Skew Stickiness Ratio） 描述曲面跟随现货的程度： SSRN 越接近 1，越 sticky strike；越接近 0，越 sticky delta（具体归一化因论文而异）。 这不是学术装饰：它决定了“现货移动 1% 时，vanna 对冲流有多大”。

7.5 曲面套利与风险中性密度

一个无套利的曲面必须满足：蝶式价差非负（概率密度非负）、日历价差非负（总方差随期限非降）、 以及行权价方向的单调性。违反这些约束的曲面，意味着存在静态套利。 实操中，数据清洗和插值很容易破坏这些约束，尤其是在流动性差的深度虚值处。

gex-levels 的 extended 数据里有一族 implied_density，给出风险中性分布的均值、中位数、68% 区间， 以及每个价位的 P(touch)。这就是从曲面反推“市场隐含的概率分布”。它比单看 IV 更直观，但仍然是风险中性分布， 不是真实世界的概率——它把风险溢价都揉进去了。

7.6 0DTE 曲面的特殊性

• Vega 极小：0DTE 期权几乎没有 vega，IV 的绝对水平对价格影响小，gamma 主导。
• 偏斜极陡：短端尾部定价集中，虚值 put 的 IV 可以非常高，但不代表方向。
• 曲面噪声大：买卖价差宽、成交稀疏，单笔交易就能把某个行权价的 IV 打歪。
• 事件日失真：事件前的 0DTE IV 包含事件溢价，事件后瞬间 collapse，不能直接用历史分位判断。

因此，做 0DTE 时，GEX / gamma 的权重应高于 IV 的绝对水平；IV 更多用来判断“事件溢价是否过贵”， 而不是判断方向。做周/月期权时，vega 和偏斜的权重上升。

7.7 从一张链构建曲面的步骤

OI 与订单流：
存量、流量与被迫交易

GEX 是“存量”的敏感度，订单流是“流量”的方向。只有存量，你会看到一张静态的地图； 只有流量，你会被单笔大单牵着走。把两者叠起来，才能回答： 谁已经站在哪里、谁正在被迫移动、谁在主动表达观点。

8.1 OI：一张合约的“存量”

未平仓合约（OI）是市场上仍然存在的合约数量。买方和卖方一一对应，所以一张合约只算一次。 OI 只在新开仓时增加，在平仓时减少；换手（A 卖给 B）不改变 OI。 交易所通常在收盘后公布结算 OI，盘中看到的 OI 往往是上一交易日的值。

价格 × OI 四象限

“OI 增加”只说明有新合约，不说明新多还是新空。要结合成交方向（主动买/卖）、call/put、以及价格位置判断。

8.2 OI Wall vs Gamma Wall

OI wall 是“合约数量最多”的行权价；gamma wall 是“gamma 敞口最大”的行权价。两者经常不同： 深度虚值的 OI 可能很大，但 gamma 很小；平值的 OI 不一定最大，但 gamma 很高。

8.3 Max Pain 与 Pin Risk

Max pain 是使到期内在价值总赔付最小的行权价：把所有 call/put 的 OI 按行权价加总， 计算每个候选结算价下的总赔付，取最小值。它常被描述成“价格会被吸过去”，但这是一个弱的、条件性的经验， 不是力学定律。

Pin risk 指到期时价格停在某个行权价附近，导致期权买方是否行权不确定，做市商/卖方被迫持有或交割标的的风险。 它更多是风险管理问题，不是方向预测。实际是否 pin，取决于 gamma、OI、收盘竞价、事件和流动性。 gex-levels 明确说过：把 pin 当磁铁，在他们自己的回测里没有通过；这一点值得所有 GEX 使用者记住。

8.4 订单流：谁在主动交易

8.5 读一笔 flow 的六个问题

8.6 Put/Call Ratio：别把它当反向指标

P/C 高不一定是看空，也可能是保险需求；P/C 低不一定是看多，也可能是卖 put 收租。 把它和 IV、skew、GEX 一起看，才有信息量。

8.7 0DTE：OI 与 flow 的“时间压缩”

0DTE 的 OI 在开盘时很小，盘中成交量却可以巨大；收盘后合约消失，OI 归零。 这意味着：0DTE 的“存量”几乎是即时的流量，GEX 在盘中会被不断改写。 做 0DTE 时，用开盘时的 OI 画出的墙，到了下午可能已经完全过时。

8.8 数据字典：一行期权链里每个字段是什么意思

预期波动：
把 IV 翻译成价格区间

预期波动（Expected Move, EM）是把 IV 从“年化百分比”翻译成“未来一段时间价格大概会走多远”的工具。 它不是方向预测，而是一个由期权价格反推的 1σ 区间。 用得好，它能帮你定仓位、设止损、判断“今天是不是已经走完了”；用不好，它会变成另一种“价格必须到这里”的执念。

9.1 公式与三种等价算法

三种方法会给出不同的数，这是正常的：方法 1 假设对数正态、IV 不变；方法 2/3 用市场价格， 包含了偏斜、事件溢价、买卖价差。做仓位管理时，方法 1 更“干净”；做“市场定价了多少”的判断时，方法 2 更贴近。

注意平方根缩放：时间变成 4 倍，1σ 只变成 2 倍。这是为什么 0DTE 的预期波动看起来“很小”，但 gamma 却“很大”。

9.2 1σ 不是边界，是尺度

在正态假设下，收盘落在 ±1σ 内的概率约 68.3%，±2σ 约 95.4%，±3σ 约 99.7%。 但真实市场有肥尾、跳跃、波动率聚集，所以：

• 实际落在 1σ 外的频率通常高于 32%，尤其是在事件日和危机中。
• 2σ 外的“尾部事件”比正态预测更常见；这就是为什么期权市场要给尾部定价。
• EM 会随 IV 变化而变；今天早上的 1σ 区间，下午可能已经完全不同。

9.3 EM 的使用率：今天走完了多少？

盘中常用的一个量是“EM 使用率”：已实现移动 / 当日 1σ 预期波动。 如果开盘 1 小时已经走了 80% 的 EM，说明今天的波动定价被快速消耗，剩下的时间可能进入震荡或衰竭； 如果一整天只走了 20%，说明市场在压缩，可能在等催化剂。

gex-levels 的 Vol Zones 就是按预期波动自适应的：VZ1/VZ2/VZ3 对应不同 σ 的区间， 并在开盘时冻结，避免盘中线条漂移。这个设计值得借鉴：预期波动的“刻度”要在开盘时定好，盘中只观察，不追着改。

9.4 EM、ATR 与止损

止损不应该刚好放在 1σ 边界上——那是市场最容易“扫一下”的地方。更常见的做法是： 把结构位（墙/flip）与 1σ/1.5σ 结合，止损放在结构失效 + 波动缓冲之外； 仓位按“止损距离 × 合约乘数”反推，而不是先定仓位再找止损。

9.5 事件日的 EM：隐含移动 vs 实际移动

事件前，ATM 跨式的价格隐含了一个“事件移动”。事件后，比较实际移动与隐含移动，是复盘事件定价的最快方法。 如果实际移动远小于隐含移动，IV crush 会让买方亏损；如果实际移动大于隐含移动，买方可能盈利，即使方向判断一般。

信号合成：
从一张图到一个决策

GEX、IV、OI、flow、技术面，每个都能给出“信号”。但真正的决策不是把五个信号投票， 而是先判断哪个维度在主导，再用其他维度做确认或否决。 这一章给你一个可复用的决策树、一个八因子检查表，以及一套“什么时候不做”的规则。

10.1 信号层级：先状态，后位置，再触发

10.2 八因子检查表

权重只是“提醒你不要把 5% 的因子当 50% 用”，不是精确模型。任何分数都不能替代风险控制；分数越高，只代表“条件越一致”，不代表胜率越高。

10.3 一个可交互的状态合成器

10.4 六种典型场景的“如果—那么”

10.5 确认与失效：把“我错了”写在前头

10.6 交易论点模板（一页纸）

10.7 什么时候不做

证据与反证：
GEX 到底能证明什么

这一章可能是全书最重要的一章。GEX 内容里充满了“67% 胜率”“墙从未被突破”“pin 会把价格吸过去”之类的说法， 但大多数没有基线、没有样本、没有成本、没有样本外。真正值得学的，不是某个神奇数字， 而是如何判断一个 GEX 说法是否可证伪。

11.1 一个诚实的样本：gex-levels 的 74 个交易日

gex-levels 公布了一份自己的水平位反应统计：74 个交易日、17,999 个盘中快照，标的为 NQ 期货， 时间窗口 2026-05-26 至 2026-09-01。它不是交易收益，而是“价格触及某个水平后，是否在阈值内反弹/突破”的描述性统计。 最重要的方法论细节是：基线不是 50%，而是 38%。

数据来源：gex-levels.com/level-stats（2026-10 抓取）。这是描述性统计，不是交易结果；样本、阈值、时段、品种都有限，不能外推为“未来胜率”。原文还注明：快照间隔数分钟，touch 可能被低估；交易日之间自相关，未给 p 值。

11.2 从“反应率”到“可交易性”：更残酷的第二层

Hold rate 只描述“价格在水平位附近的行为”，不包含入场、止损、目标、滑点、延迟。gex-levels 进一步做了交易模拟： 信号后下一根 K 线开盘入场，止损放在影线，固定目标，15:55 ET 强制平仓，每笔 1 点成本。 结果很冷静：

更严格的一步：他们把 58,112 笔模拟交易（所有水平位家族 × 四种交互 × 四种出场）与“随机平移的水平位”做置换检验。 结果，最好的真实单元（t=2.7）在 20 次随机网格中，有 14 次被随机网格的最佳单元打败。 在 84 个交易日的样本上，整个网格与随机不可区分。

11.3 为什么“墙很准”的故事看起来那么真

11.4 学术与行业证据：怎么读，不盲信

GEX 不是一个有统一教材的学术领域，但相关文献不少：做市商 gamma 对冲、期权到期 pinning、0DTE 的波动率传导、 偏斜与曲面动力学、VIX/方差风险溢价。读这些文献时，重点看识别策略，而不是摘要里的漂亮结论。

11.5 九个问题，问任何 GEX 数据商/卖家

11.6 自己做一个小研究：最小可行流程

这套流程不保证你找到优势，但能保证你不会把噪声当成规律。对 GEX 这种“看起来很有道理”的领域， 先证伪，再相信，比任何指标都重要。

每日流程：
从盘前到复盘的作战手册

知识只有变成流程，才会在压力下被执行。这一章把前面所有内容压缩成一张可打印的检查表： 盘前 15 分钟、开盘 90 分钟、午盘、尾盘、到期日、事件日，以及每周复盘。 重点不是“做更多”，而是在正确的状态下做正确的事，在不合适的时候不做。

12.1 盘前 15 分钟检查表

12.2 开盘 90 分钟：只做三件事

12.3 到期日与事件日

12.4 风险：先活下来，再谈优势

12.5 交易日志：记录“过程”，不是“结果”

12.6 每周复盘：三个问题

案例复盘：
一张真实的 QQQ 快照

这一章不预测未来，只做一件事：把 2026-10-16 收盘的 QQQ 快照，按前面的六步法完整读一遍。 你会看到“负 gamma + 头顶结构”的典型形态，也会看到一个容易被忽略的数据异常： put wall 出现在现价上方。这不是错误，而是跳空后的真实结构。

13.1 第一步：状态

状态的第一层结论很清楚：这不是一个“跌了会被买回来”的正 gamma 市场。 做市商在下方是短 gamma，价格下跌会触发卖出对冲；任何反弹也会因为负 delta 库存而遇到卖压。

13.2 第二步：位置

这张图的结构是“头顶密集、下方相对空”：现价上方 1.5% 就是 720 的负 gamma 墙， 再往上 721.8–730 是 flip / max pain / vol trigger 的夹层，735 才是正 gamma 的 call wall。 下方 700 是 OI wall，但 gamma 浓度不如 720。

13.3 第三步：形状

从 GEX profile 看，720 是一根极深的负柱，735 是一根正柱，二者之间（721.8–730）是 flip 与 max pain 的过渡区。 现价 709.57 到 720 之间 gamma 相对薄，这意味着价格向上进入 720 时，会遇到越来越强的负 gamma 对冲卖压； 而向下到 700 之间，也有 OI 但 gamma 不如 720 集中。

13.4 第四步：波动率与事件

2DTE 的 ATM IV 22.27%，对 QQQ 来说不算低。它包含周末跳空风险与下周一的事件定价。 但仅有 IV 数字不够：还需要看期限结构（正挂/倒挂）、25Δ skew、以及周一是否有宏观数据。 如果 IV 在事件前继续抬升，720 的墙会变“软”；如果事件后 IV crush，vanna 流可能帮助价格修复。

13.5 第五步：情景树（不是预测）

情景树的作用是“提前想好如果发生什么，我怎么做”，不是“预测会发生什么”。任何情景都可能不发生；没有触发，就没有交易。

13.6 如果只能看三个数字

假设你被困在荒岛，只能看三个数字：spot、gamma flip、net GEX。你仍然可以做出一个粗略但有用的判断：

这三个数字不能告诉你什么时候买、买什么、目标在哪，但它们能告诉你不要用什么策略： 不要在负 gamma 里裸卖期权，不要把“跌了会反弹”当默认假设，不要把止损放在墙里面。 这就是“状态优先”的价值。

13.7 横向对比：QQQ / NQ / SPY / ES 的同一天

* NQ 的 ATM IV 取 front（20.01）；30D 为 22.12。数据来自同一快照，换算比 41.3877。SPY/ES 的 provider flip 与 zero gamma 相差极大，见下。

术语库：
80+ 个必须分清的词

GEX 领域的很多争论，其实是“同一个词，不同定义”。这张术语表按四类整理： 结构 / 波动率 / 流量 / 数据与统计。每条都给出英文、中文、一句话定义，以及最容易踩的坑。 支持搜索与分类筛选。

资源与学习路径：
14 天 / 30 天

这一章把“全网知识”压缩成一条可执行的路径：先用免费资源建立骨架，再用数据和练习填充细节， 最后用论文和回测训练判断力。不要一开始就买课、加群、追信号；先把免费的 50 节课和本站的 18 章读完， 你会知道自己到底缺什么。

15.1 gex-levels 的知识文库：先看什么

gex-levels.com 的内容分三层：免费概念页 / 免费 Academy / 付费 Education Library。 它的商业产品是指标与 Terminal，但知识文库本身是独立的，且明确“教育用途、不构成信号”。 下面按“先免费、后付费”的顺序整理。

15.2 外部资源：按主题挑，不要贪多

15.3 书单：四本足够打底

15.4 14 天深度计划

15.5 30 天进阶计划

15.6 每天 20 分钟的“微练习”

附录：公式、代码与数据字典

这一章是“可执行”的部分：Black-Scholes 的希腊字母、GEX 的聚合代码、预期波动与 IV Rank 的计算、 单位换算、数据字段字典，以及做研究时最容易踩的代码坑。你可以把它当作速查表，也可以直接复制到自己的 notebook 里。

16.1 公式速查

16.2 Python：GEX 聚合与希腊字母

import math
from statistics import NormalDist

N = NormalDist().cdf
phi = NormalDist().pdf

def bs_gamma(S, K, T, r, q, sigma):
    # T in years, sigma as decimal (0.20 = 20%)
    if T <= 0 or sigma <= 0:
        return 0.0
    d1 = (math.log(S / K) + (r - q + 0.5 * sigma**2) * T) / (sigma * math.sqrt(T))
    return math.exp(-q * T) * phi(d1) / (S * sigma * math.sqrt(T))

def gex(rows, spot, sign_convention="long_call_short_put"):
    # rows: dicts with right, gamma, oi
    total = 0.0
    for r in rows:
        if sign_convention == "long_call_short_put":
            s = 1 if r["right"] == "C" else -1
        else:
            s = -1  # customer net long options
        total += s * r["gamma"] * r["oi"] * 100 * spot**2 * 0.01
    return total

# 注意：sign_convention 是一个假设，不是真相。
# 生产环境应优先使用数据商的 signed-flow / net GEX，并记录 basis。

16.3 Python：预期波动、IV Rank、偏斜

import math

def expected_move(spot, iv, dte):
    # iv: decimal; dte: calendar days
    return spot * iv * math.sqrt(dte / 365)

def iv_rank(iv, low_52w, high_52w):
    if high_52w == low_52w:
        return 0.0
    return (iv - low_52w) / (high_52w - low_52w) * 100

def iv_percentile(iv, history):
    return sum(1 for x in history if x < iv) / len(history) * 100

def rr25(iv25c, iv25p):
    return iv25c - iv25p

def bf25(iv25c, iv25p, ivatm):
    return 0.5 * (iv25c + iv25p) - ivatm

# 示例：QQQ 2DTE，spot 709.57，IV 22.27%
# expected_move(709.57, 0.2227, 2) ≈ 11.7
# 1σ 区间 ≈ 697.9 – 721.3

16.4 Python：从链到 GEX profile

from collections import defaultdict

def gex_profile(rows, spot):
    by_strike = defaultdict(lambda: {"call": 0.0, "put": 0.0})
    for r in rows:
        k = float(r["strike"])
        notional = r["gamma"] * r["oi"] * 100 * spot**2 * 0.01
        if r["right"] == "C":
            by_strike[k]["call"] += notional
        else:
            by_strike[k]["put"] -= notional
    return by_strike

def cumulative(profile):
    # cumulative net GEX from low strike to high strike
    out, running = [], 0.0
    for k in sorted(profile):
        running += profile[k]["call"] + profile[k]["put"]
        out.append((k, running))
    return out

16.5 单位换算与数据口径

16.6 数据字段字典（gex-levels 快照）

16.7 代码坑清单

自测：
20 题检验你的模型

这 20 题不是记忆题，而是“你会不会在真实场景里做判断”。 每题只有一个最佳答案；选完会立刻给出解释。不要追求满分——错题才是你真正需要回到哪一章的地图。 你的最好成绩会保存在本地浏览器。